LeCun: LLM:er kan inte få upp robotar från marken

LeCun: LLM:er kan inte få upp robotar från marken

Yann LeCun, som numera driver AMI Labs efter att ha lämnat Meta med ungefär 1 miljard dollar i finansiering, är klar med att vara diplomatisk kring LLM:ers begränsningar. På VivaTech och AI Forum Europe i år kallade han LLM:er "i stort sett hopplösa för robotik" och sa att de "inte är en väg mot mänsklig nivå eller ens djurliknande intelligens" — grundproblemet är att det saknas en världsmodell, ett sätt att hantera verklig, rörig fysisk data [1][2].

Hans alternativ är JEPA — Joint Embedding Predictive Architecture — byggt kring abstraktion och förutsägelse i fysiska miljöer snarare än statistik för nästa token. Han är inte heller vag kring tidsramen: han förväntar sig att paradigmskiftet bort från LLM-baserad robotik ska vara "uppenbart" redan i början av 2027, och han drar en direkt parallell till den tidiga hypecykeln kring självkörande bilar — imponerande demos, men åratal från den riktiga varan [3].

Värt att ta på allvar med tanke på vem som säger det. Det här är en nyttig avstämning för alla organisationer som antar att skalning av dagens chatt- och agentstack automatiskt leder till förkroppsligad AI. Det gör den inte, enligt en av dem som varit med och byggt den nuvarande stacken.

Hyperscalers capex är på väg att bli ännu större

Goldman Sachs höjde sin uppskattning av amerikanska hyperscalers AI-capex för 2026 till cirka 800 miljarder dollar (upp från cirka 750 miljarder) och, mer slående, reviderade upp 2027 till 1,4 biljoner dollar från en tidigare konsensus på 1,2 biljoner [1][2]. Den kumulativa utgiften 2026–2031 skulle kunna nå 7,6 biljoner dollar. Morgan Stanley förutspår separat en ökning på 57 % i capex för 2027 enbart från de fyra största aktörerna [3].

Microsoft, Amazon, Alphabet, Meta och Oracle är namnen som driver detta, och motiveringen har skiftat från "bygg det och se" till leveransbegränsningar och faktiska intäktsköer — kommersiell AI-utrullning är nu flaskhalsen, inte spekulativ riskspridning [1]. Vissa av dessa bolag är på väg in i negativt fritt kassaflöde och lånar från skuld- och aktiemarknaderna för att finansiera detta [2].

Det här är nu en makroberättelse, inte bara en teknikberättelse — capex på den här nivån beskrivs som ett betydande bidrag till den amerikanska BNP-tillväxten. Om du köper AI-infrastruktur eller inferens, förvänta dig att pris- och tillgänglighetsdynamiken fortsätter förändras under dig i takt med att dessa utgifter landar.

Vad detta betyder för ditt företag

Tre nyheter, en gemensam tråd: värdet flyttas från att skriva kod till att styra system som skriver och kör den själva. Agentiska ramverk mognar snabbt eftersom marknaden redan bestämt sig för att arbetsflöden med en enda modell och en enda prompt inte räcker för verkligt arbete — du behöver nedbrytning, verifiering och orkestrering över flera agenter. Det är numera en organisatorisk kompetens, inte bara en teknisk. Teamen som vinner här är inte de med den bästa prompten — det är de som räknat ut hur man strukturerar arbetet så att agenter kan kontrolleras, avgränsas och lita på.

LeCuns kritik mot LLM:er för robotik är en nyttig verklighetskoll när det gäller hypecykler generellt: anta inte att dagens arkitektur går att generalisera till alla problem bara för att den dominerar. Om din färdplan förutsätter att LLM:er så småningom kommer "lista ut" resonemang om den fysiska världen, läs det finstilta — de som bygger alternativ tror inte att det kommer från den här arkitekturen. Samtidigt visar hyperscalers capex-siffror att branschen satsar hundratals miljarder på att inferens och agentbelastningar är den bestående efterfrågedrivaren, inte genombrott inom generell intelligens. De här två sakerna — massiva infrastruktursatsningar på agentiska arbetsbelastningar, och skepsis mot LLM:er som universell arkitektur — står inte i motsättning till varandra. De är samma signal: vinnarna bygger infrastruktur och omdömeslager kring redan fungerande modeller, i stället för att vänta på att en större modell ska lösa allt.

För alla företag som fattar AI-beslut just nu är den praktiska slutsatsen denna: investera i ditt orkestrerings- och verifieringslager, inte bara i modelltillgång. Koden blir alltmer en handelsvara. Omdömet — hur du delar upp uppgifter, verifierar resultat och avgör vad som inte ska automatiseras — är där den bestående fördelen finns.

Viktigaste slutsatsen: Frontlinjen har flyttats från "vilken modell" till "hur orkestrerar, verifierar och avgränsar man många modeller" — och det skiftet är där nästa konkurrensfördel byggs.